Consensus on Training and Implementation of Enhanced Recovery After Surgery: A Delphi Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Enhanced Recovery After Surgery (ERAS) is widely accepted in current surgical practice due to its positive impact on patient outcomes. The successful implementation of ERAS is challenging and compliance with protocols varies widely. Continual staff education is essential for successful ERAS programmes. Teaching modalities exist, but there remains no agreement regarding the optimal training curriculum or how its effectiveness is assessed. We aimed to draw consensus from an expert panel regarding the successful training and implementation of ERAS. METHODS: A modified Delphi technique was used; three rounds of questionnaires were sent to 58 selected international experts from 11 countries across multiple ERAS specialities and multidisciplinary teams (MDT) between January 2016 and February 2017. We interrogated opinion regarding four topics: (1) the components of a training curriculum and the structure of training courses; (2) the optimal framework for successful implementation and audit of ERAS including a guide for data collection; (3) a framework to assess the effectiveness of training; (4) criteria to define ERAS training centres of excellence. RESULTS: An ERAS training course must cover the evidence-based principles of ERAS with team-oriented training. Successful implementation requires strong leadership, an ERAS facilitator and an effective MDT. Effectiveness of training can be measured by improved compliance. A training centre of excellence should show a willingness to teach and demonstrable team working. CONCLUSIONS: We propose an international expert consensus providing an ERAS training curriculum, a framework for successful implementation, methods for assessing effectiveness of training and a definition of ERAS training centres of excellence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle